NumpyDL：Numpy深度学习库
内容描述
NumpyDL是：
基于纯Numpy / Python
对于DL教育
特征
其主要特点是：
纯洁的脾气暴躁
原生于Python
基本支持自动区分
提供了常用的模型：MLP，RNN，LSTM和CNN
几个AI任务的示例
对于玩具聊天机器人应用
文献资料
可用的在线文档：
最新文件
开发文档
稳定文档
可用的离线PDF：
最新PDF
安装
使用pip安装NumpyDL：
$ > pip install npdl
从源代码安装：
$ > python setup.py install
例子
NumpyDL提供了一些AI任务示例：
句子分类
示例/lstm_sentence_classification.py中的LSTM
例子中的CNN / cnn_sentence_classification.py
mnist手写识
2024-02-23 17:06:34
16.61MB
1
利用rnn网络和lstm网络进行下一个字的预测
eg：
`输入`：**我觉得这个【向后输出20个字】**
`输出`：**我觉得这个地方便，但是一个人的，但是一个人的，但是一个**
2023-04-17 01:30:45
3.88MB
1
对RNN及其改进版本LSTM的的介绍,和其中的运行机制的说明
RNN的结构
口简单来看,把序列按时间展开
为了体现RNN的循环性,可以将多层fod起来
2023-04-08 17:02:09
2.81MB
1
对下载的IMDB数据集中的test和train分别进行预处理从而方便后续模型训练，代码为PreProcess.py。预处理主要包括：大小写转化、特殊字符处理、stopwords过滤、分词，最后将处理后的数据存储为CSV格式，以方便后续调试。借用了nltk的 stopwords 集，用来将像 i, you, is 之类的对分类效果基本没影响但出现频率比较高的词，从训练集中清除。
2023-03-01 16:29:27
1KB
1
本系列讲解循环神经网络RNN和LSTM的所有知识点，学完本系列课程将对RNN和LSTM的理论知识有清晰的认识，同时能够将理论结合实践应用到工作中。
2023-01-01 21:39:24
32.51MB
1
这是RNN LSTM实战--人名分类器所用的data，该实战已经在Blog中按步骤记录，欢迎大家下载这个数据集。
2022-12-01 22:02:21
2.8MB
ppt《LSTM的前身今世》介绍了RNN的发展历程，该资源包含BRNN、GRU、Attention等经典论文，一共9篇，可以作为NLP的入门。
2022-11-13 11:52:46
8.38MB
1
城市人流量预测任务可以视为一个回归任务，旨在根据历史记录预
测城市各区域的人流入和流出量，进而辅助城市管理。为简化研究，将
直接对待研究的城市区域按水平和垂直划分为若干个小区域。
任务目标：利用过去六小时录得的流入流出量，预测未来一
小时、两小时和四小时的流入流出量；
数据处理：先对数据进行规范化处理；而后参考实验4，按照
任务目标对原始数据进行滑窗采样，构造训练集、验证集和
测试集，三者比例为7：1：2；
模型要求
1. 模型结构：模型应同时使用卷积神经网络（CNN、残差
结构等）和循环神经网络（RNN、LSTM、GRU等）；
2. 模型优化：
1. 针对不同类型的模块应用不同的归一化操作；
2. 至少使用一次Dropout；
3. 损失函数中需添加正则化项；
4. 应用早停机制；
结论内容
1. 【表格】报告待预测的三个时间点在三种评
价指标（MAE、RMSE、MAPE）下的性能，
并用黑体标注出最佳一项；
2. 【绘图】探究使用不同正则化参数、Dropout
丢弃值以及早停忍耐值对结果的影响。
1. 模板：按此前指定的实验报告模板；
2. 要求：图文表并茂，粘贴关键的高亮代码；
2022-06-30 20:06:32
2.23MB
1
内容概述：
1. RNN唐诗写作模型（基于循环神经网络LSTM）
2. 答辩PPT（精美幻灯片，让答辩老师目瞪口呆）
3. 实验报告（辅助使用，阅读代码无压力）
实验目的：
1. 目标是通过使用深度学习架构tensorflow构建循环神经网络RNN模型生成唐诗
2. 其中要求生成诗歌开头词汇是“日、红、山、夜、湖、海、月”等词汇作为begin word
使用建议：
1. 环境搭建很重要
2. 要有自己的理解，读懂每一行代码对自己是百利无一害的
2022-06-19 17:05:42
20.18MB
在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别
这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。
处理：
清理并合并数据
根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。
将数据分为训练（80％）和测试（20％）集。
通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。
使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。
创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。
在整个训练期间，
2022-05-19 11:49:05
151MB
1